CNN-LSTM回归+SHAP分析+PDP部分依赖图！Matlab代码实现，通过SHAP方法量化特征贡献，引入SHAP方法打破黑箱限制，提供全局及局部双重解释视角

CNN-LSTM回归与SHAP分析

原创于 2025-10-18 21:45:06 发布 · 668 阅读

30 ·

CC 4.0 BY-SA版权

文章标签：

#cnn #lstm #回归

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

在电力负荷预测、水文流量估算、交通流量回归等时序相关回归任务中，数据不仅具备高维度、非线性特征，更包含显著的时序动态依赖（如电力负荷的日内峰谷周期、水文流量的季节性变化）。CNN-LSTM 回归模型通过 CNN 的空间局部特征提取能力与 LSTM 的长短期时序依赖捕捉优势，在复杂时序回归任务中实现高精度预测。但与多数深度学习模型类似，其 “黑箱” 特性导致预测结果缺乏可解释性 —— 无法明确时序特征（如历史负荷峰值、降雨持续时长）对回归结果的贡献，也难以可视化特征随时间变化与预测值的关联模式，这在需高可靠性决策的场景（如电网调度、防洪决策）中构成应用障碍。

CNN-LSTM 回归 + SHAP 分析 + PDP 部分依赖图的融合框架，通过 SHAP（SHapley Additive exPlanations）方法量化时序特征与静态特征对预测结果的贡献度，打破 “黑箱” 限制，同时提供全局特征重要性排序与局部样本时序解释双重视角；结合 PDP（Partial Dependence Plot）直观展示关键特征（尤其是时序特征）与预测值的非线性关联，揭示特征取值变化对回归结果的边际影响。本文将从 CNN-LSTM 回归模型架构、SHAP 时序适配原理、PDP 可视化逻辑、融合框架构建与实例验证展开，解析如何在时序回归任务中平衡精度与可解释性。

一、CNN-LSTM 回归模型的 “时序优势” 与 “可解释性痛点”

1.1 CNN-LSTM 回归模型的核心优势

相比 CNN-Attention 模型，CNN-LSTM 回归模型更聚焦时序数据的动态特征处理，其核心优势体现在 “空间 - 时序” 双维度协同：

CNN 的空间特征提取能力：针对时序数据的二维化表达（如将 1 小时为步长的电力负荷数据转换为 “时间 - 特征” 二维矩阵，行代表时间步，列代表负荷、温度等特征），CNN 通过卷积层与池化层，挖掘同一时间窗口内多特征的空间关联（如某时刻温度与负荷的数值耦合、相邻监测点的特征分布差异），过滤短期噪声（如瞬时负荷波动），提取底层静态与局部动态特征；

LSTM 的时序依赖捕捉能力：LSTM 通过输入门、遗忘门、输出门的门控机制，对 CNN 提取的特征序列进行时序建模，有效捕捉长短期时序依赖（如电力负荷的日内峰谷周期、跨周季节性变化），避免传统 RNN 的梯度消失问题。例如，在水文流量回归中，LSTM 可记忆 “前 3 天降雨” 与 “当日流量” 的长期关联，同时捕捉 “降雨强度骤增” 与 “流量快速上升” 的短期动态响应。

以 “某区域日级电力负荷回归预测” 为例，CNN-LSTM 模型先通过 CNN 提取温度、湿度、历史负荷等特征在每日 24 小时窗口内的空间关联（如高温时段负荷与温度的同步上升特征），再通过 LSTM 捕捉连续 7 天负荷数据的时序依赖（如工作日与周末的负荷差异、前一周相同时段的负荷趋势），最终输出精准的次日负荷预测值。

1.2 模型的 “黑箱” 痛点与可解释性需求

尽管 CNN-LSTM 回归模型在时序任务中精度突出，但 “黑箱” 特性带来三大关键问题：